Zemengzhou Space
ZEMENGZHOU
MASTERY · MATHEMATICS

5.4 极易混淆的概念性知识：对位置求偏导和对变量求偏导

2.4k WORDS 10 MIN READ #考研数学

5.4 极易混淆的概念性知识：对位置求偏导和对变量求偏导

总目录 · 笔记整理索引 · 本章索引 · 上一节：5.3 分段函数的多元微分概念题 · 下一节：5.5 偏导数和全微分

5.4.1 核心概念辨析：位置 vs 变量

1. 为什么会产生混淆？（符号滥用之坑）

在初学微积分时，我们接触的最简单的二元函数通常直接写作： z=f(x,y)z = f(x, y) 在这一特殊形式中：

  • 函数 ff 的第 1 个自变量位置刚好是字母 xx；
  • 函数 ff 的第 2 个自变量位置刚好是字母 yy。

这导致许多同学形成了思维定势，想当然地认为： “求 fx′ 就是对第 1 个位置求导,求 fy′ 就是对第 2 个位置求导.”\text{“求 } f'_x \text{ 就是对第 1 个位置求导,\quad 求 } f'_y \text{ 就是对第 2 个位置求导.”}

然而，一旦进入多元复合函数阶段，这种模糊的认识就会造成灾难性错误！
例如当遇到 z=f(xy,yx)z = f\left(xy, \frac{y}{x}\right)、z=f(x,xy)z = f(x, xy) 甚至 z=f(y,x)z = f(y, x) 时，字母 x,yx, y 只是最终的自变量，而不再单纯等于函数的各个输入位置。

2. 数学本质：“插槽模型”（Slot Model）

从映射的现代数学定义来看：

  • 设 f:R2→Rf: \mathbb{R}^2 \to \mathbb{R} 是一个二元实值函数。
  • ff 本质上是一个拥有**两个输入插槽（位置）**的黑盒子： f(  ⋅⏟位置 1,  ⋅⏟位置 2  )f(\;\underbrace{\quad\cdot\quad}_{\text{位置 1}},\; \underbrace{\quad\cdot\quad}_{\text{位置 2}}\;)
  • 映射本身完全不在意输入插槽里填入的是什么字母或表达式，它只定义了：
    • f1′f'_1（或 D1fD_1 f、∂1f\partial_1 f）：函数对**第 1 个位置（插槽 1）**的变化率；
    • f2′f'_2（或 D2fD_2 f、∂2f\partial_2 f）：函数对**第 2 个位置（插槽 2）**的变化率。
  • 这两个偏导数是函数映射本身的固有属性，与外层如何复合毫无关系！
flowchart TD
    subgraph SlotModel ["函数本身的插槽模型 f( · , · )"]
        P1["位置 1（插槽 1）"] -->|偏导算子| D1["f'_1 (对位置 1 求偏导)"]
        P2["位置 2（插槽 2）"] -->|偏导算子| D2["f'_2 (对位置 2 求偏导)"]
    end
    
    subgraph OuterVars ["自变量输入 (复合过程)"]
        X["自变量 x"] --> P1
        X --> P2
        Y["自变量 y"] --> P1
        Y --> P2
    end

3. 核心符号对照表

符号表示严谨读法 / 含义本质属性考研使用建议
f1′f'_1 / f2′f'_2函数对第 1 / 第 2 个位置的偏导数函数映射的固有属性强烈推荐（无任何歧义）
∂z∂x\frac{\partial z}{\partial x} / ∂z∂y\frac{\partial z}{\partial y}整体因变量 zz 对自变量 xx / yy 的偏导数复合函数的整体导数标准记号（链式法则最终结果）
fx′f'_x (若函数为 f(x,y)f(x, y))等价于 f1′f'_1，因为第 1 个位置刚好是变量 xx特殊情况下的重合仅在无复合时可使用
fx′f'_x (若复合为 f(u(x,y),v(x,y))f(u(x,y), v(x,y)))极易引起歧义！可能被误解为对位置求导或对变量求导符号模糊禁止使用，务必用 ∂f∂x\frac{\partial f}{\partial x} 或 ∂z∂x\frac{\partial z}{\partial x}

5.4.2 核心运算法则：猫狗公式与大白话口诀

笔记中给出了一个生动直观、过目不忘的“猫狗模型”：

设二元函数： z=f(u,v)=f(狗,猫)z = f(u, v) = f(\text{狗}, \text{猫}) 其中“狗\text{狗}”和“猫\text{猫}”都是关于自变量 xx 和 yy 的函数，即： 狗=u(x,y),猫=v(x,y)\text{狗} = u(x, y), \quad \text{猫} = v(x, y)

则根据链式求导法则（Chain Rule），因变量 zz 对自变量 xx 和 yy 的偏导数为：

∂z∂x=∂f(狗,猫)∂x=f1′(狗,猫)∂狗∂x+f2′(狗,猫)∂猫∂x\frac{\partial z}{\partial x} = \frac{\partial f(\text{狗}, \text{猫})}{\partial x} = f'_1(\text{狗}, \text{猫}) \frac{\partial \text{狗}}{\partial x} + f'_2(\text{狗}, \text{猫}) \frac{\partial \text{猫}}{\partial x} ∂z∂y=∂f(狗,猫)∂y=f1′(狗,猫)∂狗∂y+f2′(狗,猫)∂猫∂y\frac{\partial z}{\partial y} = \frac{\partial f(\text{狗}, \text{猫})}{\partial y} = f'_1(\text{狗}, \text{猫}) \frac{\partial \text{狗}}{\partial y} + f'_2(\text{狗}, \text{猫}) \frac{\partial \text{猫}}{\partial y} 
graph LR
    Z["z = f(狗, 猫)"]
    Z -->|"对位置 1 偏导: f'_1"| D["第 1 个位置: 狗"]
    Z -->|"对位置 2 偏导: f'_2"| C["第 2 个位置: 猫"]
    
    D -->|"∂狗/∂x"| X1["自变量 x"]
    D -->|"∂狗/∂y"| Y1["自变量 y"]
    
    C -->|"∂猫/∂x"| X2["自变量 x"]
    C -->|"∂猫/∂y"| Y2["自变量 y"]

5.4.3 五大典型思维模型对照（逐层拆解认知死角）

模型 1：位置与自变量完全分离（标准复合形式）

【详细解析】

  • 第一步：明确位置插槽
    • 位置 1（第 1 个参数）：u=xyu = xy
    • 位置 2（第 2 个参数）：v=yxv = \dfrac{y}{x}
  • 第二步：套用链式法则对变量 xx 求导 ∂z∂x=f1′(xy,yx)⋅∂(xy)∂x+f2′(xy,yx)⋅∂(yx)∂x=f1′(xy,yx)⋅y+f2′(xy,yx)⋅(−yx2)=yf1′(xy,yx)−yx2f2′(xy,yx)\begin{aligned} \frac{\partial z}{\partial x} &= f'_1\left(xy, \frac{y}{x}\right) \cdot \frac{\partial(xy)}{\partial x} + f'_2\left(xy, \frac{y}{x}\right) \cdot \frac{\partial\left(\frac{y}{x}\right)}{\partial x} \\ &= f'_1\left(xy, \frac{y}{x}\right) \cdot y + f'_2\left(xy, \frac{y}{x}\right) \cdot \left(-\frac{y}{x^2}\right) \\ &= y f'_1\left(xy, \frac{y}{x}\right) - \frac{y}{x^2} f'_2\left(xy, \frac{y}{x}\right) \end{aligned}
  • 第三步：同理对变量 yy 求导 ∂z∂y=f1′(xy,yx)⋅∂(xy)∂y+f2′(xy,yx)⋅∂(yx)∂y=xf1′(xy,yx)+1xf2′(xy,yx)\begin{aligned} \frac{\partial z}{\partial y} &= f'_1\left(xy, \frac{y}{x}\right) \cdot \frac{\partial(xy)}{\partial y} + f'_2\left(xy, \frac{y}{x}\right) \cdot \frac{\partial\left(\frac{y}{x}\right)}{\partial y} \\ &= x f'_1\left(xy, \frac{y}{x}\right) + \frac{1}{x} f'_2\left(xy, \frac{y}{x}\right) \end{aligned}

模型 2：位置与自变量恰好重合（特殊退化情形）

【详细解析】 利用链式法则还原其本质全过程：

  • 位置 1 为 u=xu = x；位置 2 为 v=yv = y。
  • 因为 xx 和 yy 互不相关（独立自变量），所以 ∂x∂x=1\dfrac{\partial x}{\partial x} = 1，∂y∂x=0\dfrac{\partial y}{\partial x} = 0。
  • 于是： ∂z∂x=f1′(x,y)∂x∂x+f2′(x,y)∂y∂x=f1′(x,y)×1+f2′(x,y)×0=f1′(x,y)\frac{\partial z}{\partial x} = f'_1(x, y) \frac{\partial x}{\partial x} + f'_2(x, y) \frac{\partial y}{\partial x} = f'_1(x, y) \times 1 + f'_2(x, y) \times 0 = f'_1(x, y)
  • 同理： ∂z∂y=f1′(x,y)∂x∂y+f2′(x,y)∂y∂y=f1′(x,y)×0+f2′(x,y)×1=f2′(x,y)\frac{\partial z}{\partial y} = f'_1(x, y) \frac{\partial x}{\partial y} + f'_2(x, y) \frac{\partial y}{\partial y} = f'_1(x, y) \times 0 + f'_2(x, y) \times 1 = f'_2(x, y)

模型 3：位置与自变量反向颠倒（击碎惯性思维）

【详细解析】 很多同学看到“对 xx 求导”，下意识写成 f1′(y,x)f'_1(y, x)，这是典型的“字母对应强迫症”！

  • 位置 1 放入的是 yy；
  • 位置 2 放入的是 xx。 根据链式法则：
∂z∂x=f1′(y,x)⋅∂y∂x+f2′(y,x)⋅∂x∂x=f1′(y,x)⋅0+f2′(y,x)⋅1=f2′(y,x)\frac{\partial z}{\partial x} = f'_1(y, x) \cdot \frac{\partial y}{\partial x} + f'_2(y, x) \cdot \frac{\partial x}{\partial x} = f'_1(y, x) \cdot 0 + f'_2(y, x) \cdot 1 = f'_2(y, x) ∂z∂y=f1′(y,x)⋅∂y∂y+f2′(y,x)⋅∂x∂y=f1′(y,x)⋅1+f2′(y,x)⋅0=f1′(y,x)\frac{\partial z}{\partial y} = f'_1(y, x) \cdot \frac{\partial y}{\partial y} + f'_2(y, x) \cdot \frac{\partial x}{\partial y} = f'_1(y, x) \cdot 1 + f'_2(y, x) \cdot 0 = f'_1(y, x)

结论：对自变量 xx 求偏导，结果竟然是函数关于第 2 个位置的偏导数 f2′f'_2！

模型 4：自变量“身兼二职”（部分复合的高频考点）

【详细解析】 在这个函数中，自变量 xx 既占据了第 1 个位置，又参与了第 2 个位置的复合：

  • 位置 1：u=xu = x
  • 位置 2：v=xyv = xy

求偏导展开：

∂z∂x=f1′(x,xy)∂x∂x+f2′(x,xy)∂(xy)∂x=f1′(x,xy)⋅1+f2′(x,xy)⋅y=f1′(x,xy)+yf2′(x,xy)\frac{\partial z}{\partial x} = f'_1(x, xy) \frac{\partial x}{\partial x} + f'_2(x, xy) \frac{\partial(xy)}{\partial x} = f'_1(x, xy) \cdot 1 + f'_2(x, xy) \cdot y = f'_1(x, xy) + y f'_2(x, xy) ∂z∂y=f1′(x,xy)∂x∂y+f2′(x,xy)∂(xy)∂y=f1′(x,xy)⋅0+f2′(x,xy)⋅x=xf2′(x,xy)\frac{\partial z}{\partial y} = f'_1(x, xy) \frac{\partial x}{\partial y} + f'_2(x, xy) \frac{\partial(xy)}{\partial y} = f'_1(x, xy) \cdot 0 + f'_2(x, xy) \cdot x = x f'_2(x, xy)

模型 5：嵌套函数形式（自复合）

【详细解析】

  • 外层函数 ff 的位置 1 为 u=xu = x，位置 2 为 v=f(x,y)v = f(x, y)。
  • 对 xx 求偏导： ∂z∂x=f1′(x,f(x,y))⋅∂x∂x+f2′(x,f(x,y))⋅∂f(x,y)∂x\frac{\partial z}{\partial x} = f'_1(x, f(x, y)) \cdot \frac{\partial x}{\partial x} + f'_2(x, f(x, y)) \cdot \frac{\partial f(x, y)}{\partial x}
  • 其中内层函数 ∂f(x,y)∂x=f1′(x,y)\dfrac{\partial f(x, y)}{\partial x} = f'_1(x, y)。
  • 代入整理即得： ∂z∂x=f1′(x,f(x,y))+f2′(x,f(x,y))⋅f1′(x,y)\frac{\partial z}{\partial x} = f'_1(x, f(x, y)) + f'_2(x, f(x, y)) \cdot f'_1(x, y)

5.4.4 高阶偏导中的位置传递法则（难点跃迁）

考研真题往往不止考一阶偏导，更常考二阶偏导（如 ∂2z∂x2\frac{\partial^2 z}{\partial x^2}、∂2z∂x∂y\frac{\partial^2 z}{\partial x\partial y}）。

完整推导示范

以上述模型 1 为例：z=f(xy,yx)z = f\left(xy, \frac{y}{x}\right)，已知： ∂z∂x=yf1′−yx2f2′\frac{\partial z}{\partial x} = y f'_1 - \frac{y}{x^2} f'_2 求二阶混合偏导数 ∂2z∂x∂y\dfrac{\partial^2 z}{\partial x \partial y}：

∂2z∂x∂y=∂∂y[yf1′−yx2f2′]=∂∂y(yf1′)−∂∂y(yx2f2′)\begin{aligned} \frac{\partial^2 z}{\partial x \partial y} &= \frac{\partial}{\partial y}\left[ y f'_1 - \frac{y}{x^2} f'_2 \right] \\ &= \frac{\partial}{\partial y}(y f'_1) - \frac{\partial}{\partial y}\left(\frac{y}{x^2} f'_2\right) \end{aligned}

分别利用乘积求导法则与链式求导：

  1. 对第一项：

    ∂∂y(yf1′)=1⋅f1′+y⋅∂f1′∂y\frac{\partial}{\partial y}(y f'_1) = 1 \cdot f'_1 + y \cdot \frac{\partial f'_1}{\partial y}

    其中 f1′f'_1 再次对 yy 求偏导（先对位置求偏导，再乘位置对 yy 的偏导）：

    ∂f1′∂y=f11′′⋅∂(xy)∂y+f12′′⋅∂(yx)∂y=xf11′′+1xf12′′\frac{\partial f'_1}{\partial y} = f''_{11} \cdot \frac{\partial(xy)}{\partial y} + f''_{12} \cdot \frac{\partial\left(\frac{y}{x}\right)}{\partial y} = x f''_{11} + \frac{1}{x} f''_{12}

    故：

    ∂∂y(yf1′)=f1′+xyf11′′+yxf12′′\frac{\partial}{\partial y}(y f'_1) = f'_1 + xy f''_{11} + \frac{y}{x} f''_{12}

  2. 对第二项：

    ∂∂y(yx2f2′)=1x2f2′+yx2∂f2′∂y\frac{\partial}{\partial y}\left(\frac{y}{x^2} f'_2\right) = \frac{1}{x^2} f'_2 + \frac{y}{x^2} \frac{\partial f'_2}{\partial y}

    同理展开 ∂f2′∂y\dfrac{\partial f'_2}{\partial y}：

    ∂f2′∂y=f21′′⋅x+f22′′⋅1x\frac{\partial f'_2}{\partial y} = f''_{21} \cdot x + f''_{22} \cdot \frac{1}{x}

    故：

    ∂∂y(yx2f2′)=1x2f2′+yxf21′′+yx3f22′′\frac{\partial}{\partial y}\left(\frac{y}{x^2} f'_2\right) = \frac{1}{x^2} f'_2 + \frac{y}{x} f''_{21} + \frac{y}{x^3} f''_{22}

  3. 合并整理（若二阶偏导数连续，则 f12′′=f21′′f''_{12} = f''_{21}）：

    ∂2z∂x∂y=f1′−1x2f2′+xyf11′′+(yx−yx)f12′′−yx3f22′′=f1′−1x2f2′+xyf11′′−yx3f22′′\frac{\partial^2 z}{\partial x \partial y} = f'_1 - \frac{1}{x^2} f'_2 + xy f''_{11} + \left(\frac{y}{x} - \frac{y}{x}\right)f''_{12} - \frac{y}{x^3} f''_{22} = f'_1 - \frac{1}{x^2} f'_2 + xy f''_{11} - \frac{y}{x^3} f''_{22}

5.4.5 点值代入与赋值的“错位”陷阱（考场高频丢分点）

在计算某具体点 (x0,y0)(x_0, y_0) 处的偏导数值时，考生最常犯的错误就是代入错位。

5.4.6 总结：考研解题“三步心法”

为彻底杜绝多元复合函数求偏导中的混淆与失误，建议解题时严格执行以下三步流程：

flowchart TD
    Step1["【第一步：拆位置】<br/>把外层函数所有参数看作独立插槽<br/>明确位置 1 = u(x,y), 位置 2 = v(x,y)"] --> Step2["【第二步：画链条】<br/>画出树状分支结构<br/>分道相加，连线相乘"]
    Step2 --> Step3["【第三步：核点值】<br/>若涉及具体点赋值<br/>自变量 (x,y) 必须先映射计算出 (u,v) 后再代入导数下标"]

我的总结

多元函数微分学是高等数学的核心板块。在复习时应抓住以下结构：

  1. 概念网络：极限、连续、偏导数、全微分、偏导数连续五者之间的逻辑蕴含关系必须通过反例彻底理清；
  2. 计算核心：复合函数与隐函数链式法则，注意区分“对位置偏导”与“对变量偏导”；
  3. 极值应用：无条件极值（二阶充分条件 AC−B2AC-B^2）与条件极值（拉格朗日乘数法），注重驻点与边界最值的全面考察。

参考资料

  • 考研数学历年真题（全国统考真题）
  • 同济大学数学系《高等数学》（多元函数微分法及其应用）
  • 考研数学主流复习资料与本人学习笔记

Discussion

Comments

Post

Thoughts, corrections, and follow-up notes are welcome here.